1.归纳学习（inductive learning）：关于某个概念的一系列已知的 正例和反例，其任务是从中归纳出一个一般的概念描述。
归纳式学习是从训练样本中学习规则然后应用在测试样本中。常用的监督学习就是归纳学习。 归纳学习旨在从大量的经验数据中归纳抽取出一般的判定规则和模式，是从特殊情况推 导出一般规则的学习方法。归纳学习的目标是形成合理的能解释已知事实和预见新事实的一 般性结论。例如，通过“麻雀会飞” “燕子会飞”等观察事实，、可以归纳得到“鸟会飞” 这样的一般结论。归纳学习由于依赖于经验数据，因此又称为经验学习（Empirical Learning)， 由于归纳依赖于数据间的相似性，所以也称为基于相似性的学习（Similarity Based Learning) 。
2.监督学习（supervised learning）：在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写 数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断 的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（Logistic Regression）和反向传递神经网络（Back Propagation Neural Network）
3.非监督学习（unsupervised learning）：，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。
4.半监督学习（semi-supervised learning）：在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据 来进行预测。应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预 测。如图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM.）等。
5.强化学习：在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈 到模型，模型必须对此立刻作出调整。常见的应用场景包括动态系统以及机器人控制等。常见算法包括Q-Learning以及时间差学习（Temporal difference learning）